TUGAS AKHIR. Diajukan untuk memenuhi salah satu syarat mengerjakan dan menempuh ujian tugas akhir 2. Disusun Oleh :

Transkripsi

1 TUGAS AKHIR PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO COMPARISON OF APRIORI ALGORITHM AND FP- GROWTH ALGORITHM FOR BOOK RECOMENDATION ON LIBRARY BORROWING TRANSACTION IN DIAN NUSWANTORO UNIVERSITY Diajukan untuk memenuhi salah satu syarat mengerjakan dan menempuh ujian tugas akhir 2 Disusun Oleh : Nama Nim Program Studi : Rizky Mei Anggraeni : A : Teknik Informatika - S1 FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO 2014

2 PERSETUJUAN SKRIPSI Nama : Rizky Mei Anggraeni NIM : A Program Studi : Teknik Informatika S-1 Fakultas : Ilmu Komputer Judul Tugas Akhir : Perbandingan Algoritma Apriori dan FP-Growth Untuk Perekomendasi pada Transaksi Peminjaman Buku Di Perpustakaan Universitas Dian Nuswantoro Tugas Akhir ini telah diperiksa dan disetujui, Semarang, 4 Juli 2014 Menyetujui, Pembimbing Mengetahui, Dekan Fakultas Ilmu Komputer Dra Erna Zuni Astuti, M.Kom Dr Abdul Syukur i

3 PENGESAHAN DEWAN PENGUJI Nama Pelaksana : Rizky Mei Anggraeni NIM : A Program Studi : Teknik Informatika S-1 Fakultas : Ilmu Komputer Judul Tugas Akhir : Perbandingan Algoritma Apriori dan FP-Growth Untuk Perekomendasi pada Transaksi Peminjaman Buku Di Perpustakaan Universitas Dian Nuswantoro. Tugas Akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang Tugas Akhir tanggal Juli Menurut pandangan kami, tugas akhir ini memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar Sarjana Komputer (S.Kom) Semarang, 17 Juli 2014 Dewan Penguji: Bowo Nurhadiyono, S.Si, M.Kom Anggota 1 Setia Astuti, S.Si, M.Kom Anggota 2 Edi Faisal, S.Kom, M.Kom Ketua Penguji ii

4 PERNYATAAN KEASLIAN SKRIPSI Sebagai mahasiswi Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya: Nama : Rizky Mei Anggraeni Nim : A Menyatakan bahwa karya ilmiah saya yang berjudul: Perbandingan Algoritma Apriori dan FP-Growth Untuk Perekomendasi pada Transaksi Peminjaman Buku di Perpustakaan Universitas Dian Nuswantoro Merupakan karya asli saya (kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya dan perangkat pendukung seperti web cam dll). Apabila dikemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertai dengan bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya. Dibuat di : Kota Semarang Pada tanggal : Juli 2014 Yang menyatakan, Rizky Mei Anggraeni iii

5 PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai mahasiswi Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya: Nama : Rizky Mei Anggraeni Nim : A Demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Eksklusif (Non-exclusive Royalty) atas karya ilmiah saya yang berjudul: Perbandingan Algoritma Apriori dan FP-Growth Untuk Perekomendasi pada Transaksi Peminjaman Buku di Perpustakaan Universitas Dian Nuswantoro Beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non- Eksklusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya dan menampilkan / mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis / pencipta. Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini. Demikian surat pernyataan ini saya buat dengan sebenarnya. Dibuat di : Kota Semarang Pada tanggal : Juli 2014 Yang menyatakan, Rizky Mei Anggraeni iv

6 UCAPAN TERIMA KASIH Dengan memanjatkan puji syukur kehadirat Allah SWT. Tuhan Yang Maha Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah dan inayah-nya kepada penulis sehingga laporan tugas Akhir dengan judul Perbandingan Algoritma Apriori dan FP-Growth Untuk Perekomendasi pada Transaksi Peminjaman Buku di Perpustakaan Universitas Dian Nuswantoro dapat penulis selesaikan sesuai dengan rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terima kasih kepada: 1. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang. 2. Dr. Abdul Syukur, Drs, MM, selaku Dekan Fasilkom. 3. Heru Agus Santoso, Ph.D selaku Ka. Progdi Teknik Informatika. 4. Dra. Erna Zuni Astuti, M.Kom, Eko Hari Rachmawanto, M.Kom, M.Cs dan Ardytha Luthfiarta, M.Kom, M.Cs selaku pembimbing tugas akhir yang memberikan ide penelitian, informasi refrensi yang penulis butuhkan dan bimbingan yang berkaitan dengan penelitian penulis. 5. Dosen-dosen pengampu di Fakultas Ilmu Komputer Teknik Informatika Universitas Dian Nuswantoro Semarang yang telah memeberikan ilmu dan pengalamannya masing-masing, sehingga penulis dapat mengimplementasikan ilmu yang telah disampaikan. 6. Kedua Orang tua dan Adik-adik tercinta. 7. Direksi, staf perpustakaan yang telah memberikan data untuk keperluan penyusunan tugas akhir. 8. Sahabat teman-teman yang telah memberi dukungan dan semangat selama proses penyusunan tugas akhir. 9. Orang yang selalu setia mendampingi dan memberi semangat selama proses penyusunan tugas akhir. v

7 Semoga Tuhan Yang Maha Esa memberikan balasan yang lebih kepada beliau-beliau, dan laporan tugas akhir ini dapat bermanfaat sebagaimana fungsinya. Semarang, Juli 2014 Penulis vi

8 ABSTRAK Perpustakaan merupakan salah satu tempat penyedia layanan kepustakaan yang dapat di manfaatkan untuk kegiatan proses belajar mengajar. Koleksi buku yang terdapat pada perpustakaan cukup banyak, terkadang hal tersebut membingungkan pengunjung perpustakaan yang ingin meminjam buku. Untuk memudahkan proses peminjaman buku pada perpustakaan tersebut perlu adanya sistem yaitu sistem perekomendasi untuk mahasiswa atau dosen. Pada penelitian ini dibuat sebuah sistem di mana nantinya dapat dijadikan sistem perekomendasi yaitu menggunakan dua metode data mining association rule mining dengan membandingkan algoritma apriori dan fp-growth (frequent pattern growth). Hal tersebut bertujuan untuk menentukan buku-buku yang sering dipinjam bersamaan pada transaksi peminjaman buku sebelumnya. Hasil dari sistem tersebut yaitu sebuah informasi rekomendasi buku dengan membandingkan kinerja algoritma apriori dan fp-growth. Kata kunci : Data Mining, Perpustakaan, Apriori, FP-Growth vii

9 DAFTAR ISI HALAMAN PERSETUJUAN... i HALAMAN PENGESAHAN... ii PERNYATAAN KEASLIAN SKRIPSI... iii PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS... iv UCAPAN TERIMA KASIH... v ABSTRAK... vii DAFTAR ISI... viii DAFTAR TABEL... x DAFTAR GAMBAR... xi BAB 1 PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian... 3 BAB II TINJAUAN PUSTAKA Tinjauan Studi State of The Art Tinjauan Pustaka Data Mining Algoritma Apriori Algoritma FP-Growth Java Kerangka Pemikiran BAB III METODE PENELITIAN Jenis Penelitian Metode yang diusulkan viii

10 3.3 Metode Pengumpulan Data Eksperimen BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN Pembahasan Evaluasi dan Hasil Eksperimen Menggunakan Dataset Perpustakaan dengan Apriori dan FP-Growth BAB V KESIMPULAN Kesimpulan Saran JADWAL PELAKSANAAN TUGAS AKHIR DAFTAR PUSTAKA ix

11 DAFTAR TABEL Tabel 2.1 Tabel Perbandingan Penelitian Sebelumnya... 6 Tabel 2.2 Tabel Matriks Sample Transaksi Peminjaman Buku Tabel 2.3 Tabel Penentuan Kandidat 1-Itemset Tabel 2.4 Tabel Penetuan Large 1-Itemset Tabel 2.5 Tabel Penentuan Kandidat 2-Itemset Tabel 2.6 Tabel Penentuan Large 2-Itemset Tabel 2.7 Tabel Pembentukan Rules Dari Itemset Tabel 2.8 Tabel Pembentukan Aturan Asosiasi Tabel 2.9 Tabel Data Transaksi e-commers Tabel 2.10 Tabel Hasil frequent itemset Tabel 3.1 Dataset mentah dari transaksi peminjaman buku Tabel 3.2 Dataset yang telah dibersihkan Tabel 3.3 Dataset setelah di normalisasi Tabel 4.1 Keterangan hasil proses mining Apriori Tabel 4.2 Aturan Asosiasi yang terbentuk dari proses mining Apriori Tabel 4.3 Keterangan hasil proses mining FP-Growth Tabel 4.4 Aturan Asosiasi yang terbentuk dari proses mining FP-Growth Tabel 4.5 Tabel Hasil Perbandingan Apriori dan FP-Growth x

12 DAFTAR GAMBAR Gambar 2.1 Proses Data Mining Menurut CRISP-DM... 9 Gambar 2.2 FP-Tree Gambar 2.3 Alur Pembuatan dan Eksekusi Program Gambar 2.4 Fase Pemrograman Java Gambar 2.5 Tampilan Awal Netbeans IDE Gambar 3.1 Dataset yang telah dibersihkan dan dapat digunakan Gambar 4.1 Halaman login utama Gambar 4.2 Halaman Setelah Login Gambar 4.3 Halaman Memilih Algoritma Gambar 4.4 Halaman Setelah Memilih Algoritma Apriori Gambar 4.5 Halaman Input Dataset Yang Akan Diuji Gambar 4.6 Halaman Setelah Menginputkan Dataset dan Akan Memilih Lokasi Penyimpanan Hasil Output Gambar 4.7 Halaman Memilih Lokasi Penyimpanan Hasil Output Gambar 4.8 Halaman Menginputkan Nilai Min Supp dan Min Conf Gambar 4.9 Aturan Asosiasi yang Terbentuk Dari Proses Mining Apriori Gambar 4.10 Aturan Asosiasi yang Terbentuk dari Apriori Gambar 4.11 Halaman Memilih Algoritma Gambar 4.12 Halaman Setelah Memilih Algoritma FP-Growth Gambar 4.13 Halaman Menginputkan Nilai Min Supp dan Min Conf Gambar 4.14 Aturan Asosiasi yang Terbentuk dari Proses Mining FP-Growth 53 Gambar 4.15 Aturan Asosiasi yang Terbentuk dari FP-Growth Gambar 4.16 Halaman Pencarian Data Buku Gambar 4.17 Hasil Pencarian Data Buku dengan Kriteria Tertentu xi

13 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perpustakaan Universitas Dian Nuswantoro merupakan salah satu tempat penyedia layanan kepustakaan yang dapat dimanfaatkan untuk kegiatan proses belajar mengajar. Perpustakaan ini menyediakan berbagai macam bahan-bahan pustaka seperti buku-buku teks, literatur,refrensi, jurnal, majalah ilmiah, majalah umum, koran maupun koleksi laporan tugas akhir mahasiswa dari berbagai fakultas. Dari sekian banyak koleksi perpustakaan dapat dipinjam atau hanya boleh dibaca di tempat[1]. Untuk memudahkan proses peminjaman buku perpustakaan terutama dalam hal pencarian buku yang akan di pinjam perlu adanya sistem yang tepat dalam merekomendasikan buku apa saja yang tersedia pada perpustakaan dan yang paling sering dipinjam bersamaan oleh pengunjung perpustakaan pada transakski sebelumnya. Dikarenakan perpustakaan Universitas Dian Nuswantoro belum mempunyai sistem yang membantu merekomendasi peminjam buku perspustakaan dalam hal memilih buku yang tepat untuk digunakan, oleh karena itu perlu adanya sistem perekomendasi untuk merekomendasikan buku dengan menemukan himpunan data yang paling sering muncul dalam suatu kumpulan data. Metode yang digunakan dalam perekomendasian tersebut adalah Data Mining. Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu[3]. Perekomendasian ini dilakukan dengan membandingkan kinerja algoritma Apriori dan FP-Growth. Algoritma Apriori ini dikembangkan pada tahun 1994 oleh Agrawal dan Srikan. Apriori adalah algoritma dalam melakukan pencarian frequent itemset dengan menggunakan pengetahuan tentang frequent itemset yang 1

14 2 telah diketahui sebelumnya untuk memproses informasi selanjutnya. Biasanya kandidat-kandidat yang mungkin muncul ditentukan terlebih dahulu dengan memperhatikan minimum support[7]. FP-Growth adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent item set) dalam sebuah kumpulan data. FP-Growth menggunakan pendekatan yang berbeda dari paradigma yang digunakan pada apriori. Berdasarkan masalah diatas, penulis maka penulis tertarik mengambil judul PERBANDINGAN ALGORITMA APRIORI DAN FP- GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO. 1.2 Rumusan Masalah Berdasarkan latar belakang yang telah diuraikan diatas maka penulis merumuskan masalah: - Bagaimana membandingkan kinerja algoritma Apriori dan FP-Growth dalam perekomendasian buku di perpustakaan Universitas Dian Nuswantoro dengan cara menemukan himpunan data yang paling sering muncul dalam suatu kumpulan data transaksi peminjaman buku? 1.3 Batasan Masalah Karena ruang lingkup masalah yang sangat luas maka dalam penyusunan tugas akhir ini hanya membatasi masalah sebagai berikut : a. Metode yang digunakan dalam penyusunan tugas akhir ini yaitu menggnakan metode data mining algoritma Apriori dan FP-Growth. b. Pengujian algoritma menggunakan tools java. c. Dataset yang digunakan dalam penelitian ini diambil dari perpustakaan Universitas Dian Nuswantoro. d. Pengolahan data hanya digunakan untuk perekomendasian buku mata kuliah di Universitas Dian Nuswantoro.

15 3 e. Pengujian hanya dilakukan pengujian black box. 1.4 Tujuan Penelitian Tujuan yang ingin penulis capai dari penelitian ini adalah : Dengan membandingkan algoritma Apriori dan FP-Growth dapat diketahui kinerja algoritma mana yang lebih baik dalam pembentukan frequent itemset dan rule yang terbentuk pada data transaksi peminjaman buku di perpustakaan Universitas Dian Nuswantoro. 1.5 Manfaat Penelitian Adapun manfaat yang diperoleh dalam penelitian ini adalah : 1. Bagi Instansi Terkait Mempermudah proses peminjaman buku dan memberi pengetahuan tentang buku yang terdapat pada perpustakaan. 2. Bagi Akademik Diharapkan bermanfaat untuk menambah pengetahuan dan wawasan mengenai metode apriori. Serta dapat dijadikan sebagai bahan studi dalam perbandingan maupun pengembangan mengenai metode apriori. Serta dapat memperkenalkan Universitas Dian Nuswantoro pada instansi terkait. 3. Bagi Penulis a. Sebagai sarana menerapkan ilmu yang telah diperoleh selama perkuliahan serta menambah pemahaman. b. Mendapatkan pengetahuan baru mengenai metode yang belum diperoleh selama perkuliahan. c. Untuk memenuhi syarat formal dalam menyelesaikan pendidikan Teknik Informatika S-1 pada Fakultas Ilmu Komputer Universitas Dian Nuswantoro.

16 BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Studi Penellitian ini dibuat dengan terlebih dahulu melakukan studi kepustakaan dari penelitian-penelitian dan sumber-sumber lain yang mendukung dan mengangkat tema seperti di atas. Penelitian tersebut membahas tentang topik yang terkait dengan penelitian penulis, antara lain adalah penelitian mengenai algoritma yang digunakan penulis yang akan diangkat oleh penulis. Penelitian-penelitian tersebut antara lain :Thomas Richard : Aplikasi Data Mining Menggunakan Algoritma Apriori Untuk Menentukan Aturan Asosiasi Pada Transaksi Peminjaman Buku Perpustakaan Universitas Dian Nuswantoro Semarang. Permasalahan tentang data transaksi peminjaman buku pada perpustakaan Universitas Dian Nuswantoro dapat diselesaikan dengan teknik data mining menggunakan aturan asosiasi dan algoritma apriori untuk menentukan buku-buku yang sering dipinjam bersamaan[2]. Goldie Gunadi dan Dana Indra Sensuse, dengan judul : Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori dan Frequent Pattern Growth (FP-Growth). Dalam penelitian tersebut menyebutkan bahwa Analisa yang dilakukan terhadap tingkat kekuatan aturan-aturan asosiasi yang dihasilkan oleh algoritma Apriori memiliki tingkat kekuatan yang lebih tinggi dibandingkan dengan yang dihasilkan FP-Growth[3]. I Gusti Rai Agung Sugiartha, dengan judul : Penentuan Pola Peminjaman Buku Pada Perpustakaan STIKOM Bali Menggunakan Algoritma FP-Growth. Pada penelitian ini menyebutkan bahwa metode FP-Growth mampu memberikan informasi item buku yang banyak dipinjam oleh mahasiswa atau dosen dalam suatu semester berdasarkan pola transaksi peminjaman buku[4]. 4

17 5 Dewi Kartika Pane, dengan judul : Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori. Pada penelitian tersebut menjelaskan dengan menggunakan algoritma apriori dapat diketahui merek produk elektronik yang paling banyak terjual[5].

18 6 2.2 State-of-the-art Tabel 2.1 Perbandingan Penelitian Sebelumnya Penulis Judul Masalah Kriteria Metode Hasil Aplikasi Data Ketiadaan modul Data transaksi Apriori Mining pengolah kembali data peminjaman (loan), Menggunakan transaksi peminjaman data eksemplar Algoritma sehingga data hanya (item), dan data Apriori Untuk terakumulasi dan judul buku (biblio). Menentukan tertimbun di dalam Aturan Asosiasi database sistem Pada Transaksi sehingga tidak Peminjaman menghasilkan kembali Buku informasi dan Perpustakaan pengetahuan yang Universitas Dian bermanfaat untuk Nuswantoro mendukung kemajuan Semarang manajemen perpustakaan. Thomas Richard S.W, (2014) Permasalahan tentang data transaksi peminjaman buku dapat diselesaikan dengan teknik data mining menggunakan aturan asosiasi dan algoritma apriori untuk menentukan buku-buku yang sering dipinjam bersamaan.

19 7 Goldie Gunadi dan Dana Indra Sensuse, (2012) I Gusti Agung Sugiartha, Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori dan Frequent Pattern Growth (FP- Growth) Penentuan Pola Peminjaman Buku Pada Perpustakaan STIKOM Bali Menggunakan Algoritma FP- Growth Menerapkan Data Mining untuk menentukan suatu pola dalam kumpulan data penjualan produk buku. Menerapkan algoritma FP-Growth pada proses peminjaman dan pengembalian buku, menemukan himpunan data yang paling sering muncul dalam suatu kumpulan data. Jenis cover buku, teknik penjilidan, penggunaan plastik buku, penggunaan jenis kertas khusus untuk cover buku, penggunaan jenis kertas khusus untuk isi buku, pekerjaanpekerjaan dalam pembuatan cover Buku, Judul, Member, Peminjaman. Apriori dan Frequent Pattern Growth (FP- Growth) Frequent Pattern Growth (FP- Growth) Analisa yang dilakukan terhadap tingkat kekuatan aturan-aturan asosiasi yang dihasikan oleh algoritma Apriori memiliki tingkat kekuatan lebih tinggi dibandingkan dengan yang dihasilkan FP-Growth Metode FP-Growth mampu memberikan informasi item buku yang banyak dipinjam oleh mahasiswa atau dosen dalam suatu semester berdasarkan pola transaksi peminjaman buku.

20 8 Dewi Kartika Pane, (2013) Implementasi Data Mining Pada Penjualan Produk Elektronik dengan Algoritma Apriori Menerapkan algoritma Apriori untuk mengetahui produk elektronik yang paling banyak terjual. Itemser, Jumlah, Support. Apriori Dengan Apriori dapat diketahui merk produk elektronik yang paling banyak terjual.

21 9 2.3 Tinjauan Pustaka Data Mining Menurut Turban dalam bukunya yang berjudul Decision Support System and Intelligent System, Data Mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam basis data. Data Mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai basis data besar[6] Definisi Cross-Industry Standard Process for Data Mining (CRISP-DM) Larose dalam bukunya menjelaskan bahwa ada enam fase siklus pada suatu proyek Data Mining. Seluruh fase memiliki ketergantungan dan berurutan dari fase sebelumnya. Gambar 2.1 Proses Data Mining Menurut CRISP-DM

22 10 Enam fase CRISP-DM menurut Larose yang dikutip dari kusrini dan digunakan pada penelitian ini adalah [6]: 1. Fase Pemahaman Bisnis (Business Understanding Phase) a. Menentukan tujuan proyek data mining dan kebutuhan detail tentang manfaat untuk bisnis maupun penelitian. b. Menerjemahkan tujuan dan batasan proyek dari permasalahan. c. Persiapan langkah awal untuk mencapai tujuan proyek. 2. Fase Pemahaman Data (Data Understanding Phase) a. Mengumpulkan data dari sumber data. b. Menggunakan analisis data untuk mengenali lebih lanjut data dan pencarian pengetahuan awal. c. Evaluasi kualitas dan integritas data. d. Pilih sebagian kecil group data yang mungkin mengandung pola (pattern) dari permasalahan. 3. Fase Pengolahan Data (Data Preparation Phase) a. Persiapan dataset yang akan digunakan. Pada tahap ini dilakukan pembersihan atribut data yang tidak diperlukan dalam fase permodelan. b. Pilih kasus dan variabel yang ingin dianalisis sesuai dengan tujuan proyek. c. Transformasi variabel jika dibutuhkan. 4. Fase Permodelan (Modeling Phase) a. Pemilihan dan penerapan teknik pemodelan yang sesuai dengan kasus yang ingin dianalisis. b. Kalibrasi model untuk mengoptimalkan hasil.

23 11 c. Perlu diperhatikan bahwa beberapa teknik mungkin untuk digunakan pada permasalahan data mining yang sama. d. Jika diperlukan, proses dapat kembali ke fase pengolaha data untuk menjadikan data ke dalam bentuk yang sesuai dengan spesifikasi kebutuhan teknik data mining tertentu. 5. Fase Evaluasi a. Mengevaluasi satu atau lebih model yang digunakan dalam fase pemodelan untuk mendapatkan kualitas dan efektivitas sebelum disebarkan untuk digunakan. b. Menetapkan apakah terdapat model yang memenuhi tujuan pada fase awal. c. Menentukan apakah terdapat permasalahan penting dari bisnis atau penelitian yang tidak tertangani dengan baik. d. Mengambil keputusan berkaitan dengan penggunaan hasil model dari data mining. 6. Fase Penyebaran (Deployment phase) a. Menggunakan model yang dihasilkan b. Contoh sederhana penyebaran : Pembuatan laporan c. Contoh kompleks penyebaran : Penerapan proses data mining secara paralel pada departemen lain Teknik-teknik Data Mining Data Mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan[6]. 1. Deskripsi Teknik analisis data sederhana untuk cara menggambarkan pola dan kecenderungan dalam data.

24 12 2. Estimasi Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih kearah numerik dari pada ke arah kategori. Model yang dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai darii variabel target dibuat berdasarkan nilai variabel prediksi. 3. Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali nbahwa dalam prediiksi nilai dari hasil akan ada di masa mendatang. 4. Klasifikasi Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. 5. Pengklusteran Pengklusteran merupakan pengelompokkan record, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain. 6. Asosiasi Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja. Contoh asosiasi dalam bisnis dan penelitian adalah:

25 13 Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respons positif terhadap penawaran upgrade layanan yang diberikan. Menentukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara bersamaan Association Rules Mining Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan asosiasi antara suatu kombinasi item[6]. Interesttingness measure yang dapat digunakan dalam data mining adalah: a. Support, adalah ukuran yang menunjukkan seberapa besar dominasi suatu item atau itemset pada suatu transaksi. b. Confidence, adalah ukuran yang menunjukkan hubungan dua item berdasarkan kondisi tertentu Frequent Itemset Lagkah pertama pada association rule adalah menghasilkan semua itemset yang memungkinkan dengan kemungkinan itemset yang muncul dengan m-item adalah 2 m. Karena besarnya komputasi untuk menghitung frequent itemset, yang membandingjan setiap kandidat itemset dengan setiap transaksi, maka ada beberapa pendekatan untuk mengurangi komputasi tersebut, salah satunya dengan algoritma apriori[10].

26 Algoritma Apriori Algoritma Apriori digunakan untuk mencari frequent itemset yang memenuhi minsup kemudian mendapatkan rule yang memenuhi minconf dari frequent itemset tadi[10]. Algoritma Apriori diperkenalkan oleh agrawal dan Srikant pada tahun Sampai saat ini algoritma tersebut merupakan algoritma asosiasi yang telah banyak digunakan dan dikembangkan oleh para peneliti. Algoritma Apriori dalam menangani masalah asosiasi adalah dengan mengurangi jumlah itemset yang dipertimbangkan. Pengguna menetapkan minimum support. Jadi nilai (A C) minimum support untuk setiap assosiation rule A C atau (A C) min- support. Apriori pertama menghasilkan semua himpunan item yang memenuhi mindukungan. Himpunan item tersebut sering disebut himpunan item (frequent item sets)[8] Prinsip Algoritma Apriori Prinsip tersebut adalah sebagai berikut : - Kumpulkan jumlah item tunggal, dapatkan item besar - Dapatkan candidate pairs, hitung => large pairs dari item-item - Dapatkan candidate triples, hitung => large triples dari itemitem dan seterusnya. - Sebagai petunjuk : Setiap subset dari sebuah frequent itemset harus menjadi frequent[9] Analisa Pola Algoritma Apriori Mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data. Nilai support sebuah item diperoleh dengan menggunakan rumus berikut:

27 15 SSSSSSSSSSSSSS(AA) = rumus : JJJJJJJJJJh tttttttttttttttttt mmmmmmmmmmmmmmmmmmmm AA TTTTTTTTTT TTTTTTTTTTTTTTTTTT Nilai support dari 2 item diperoleh dengan menggunakan SSSSSSSSSSSSSS (AA, BB) = Support(A,B)=P(A B) TTTTTTTTTTTTTTTTTT mmmmmmmmmmmmmmmmmmmm AA dddddd BB TTTTTTTTTTTTTTTTTT Frequent itemset menunjukkan itemset yang memiliki frekuensi kemunculan lebih dari nilai minimum yang ditentukan ( ). Misalkan = 2, maka semua itemsets yang frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent. Himpunan dari frequent k-itemset dilambangkan dengan F k. Setelah menemukan pola support kemudian dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A > B. Nilai confidence dari aturan A > B diperoleh dari rumus berikut : Confidence (A C) support (A C) / SUPPORT (A) CCCCCCCCCCCCCCCCCCCC = JJJJJJJJJJh TTTTTTTTTTTTTTTTTT MMMMMMMMMMMMMMMMMMMM AA dddddd BB JJJJJJJJJJh TTTTTTTTTTTTTTTTTT mmmmmmmmmmmmmmmmmmmm AA Contoh Kasus Algoritma Apriori Pada data penjualan sebuah perusahaan elektronik ingin mengetahui produk elektronik yang paling banyak terjual. Berdasarkan transaksi penjualan pada perusahaan kreditplus Medan, transaksi tersebut dapat di akumulasi. Akumulasi transaksi penjualan diperoleh dari penjualan bulanan, dapat di lihat dalam tabel dibawah ini :

28 16 Tabel 2.2 Tabel matriks sampel transaksi peminjaman buku T i d Tabel diatas menjelaskan hasil transaksi peminjaman buku menggunakan data sampel. a. Penentuan Pola Frekuensi Tinggi (Frequent Pattern) dilakukan dengan mengombinasikan semua jenis itemset dan dilakukan pemangkasan jika kandidat tidak memenuhi nilai minimum support yang diberikan. Hasil seleksi kandidat 1-itemset (large 1-itemset) digunakan untuk menentukan kandidat dengan 2-itemsets atau lebih dengan mengulangi langkah seleksi kandidat itemsets sampai tidak terdapat kombinasi.

29 17 Tabel 2.3 Penentuan Kandidat 1-Itemset C= 1; Minimum Support Threshold= 5% Biblio_ID Support (Jumlah Muncul / Total Transaksi) 41 (1/15) = 6.667% 255 (1/15) = 6.667% 265 (1/15) = 6.667% 276 (1/15) = 6.667% 589 (2/15) = % 1102 (1/15) = 6.667% 1882 (1/15) = 6.667% 2222 (1/15) = 6.667% 2290 (2/15) = % 2342 (1/15) = 6.667% 2435 (1/15) = 6.667% 4200 (1/15) = 6.667% 4295 (2/15) = % 4345 (1/15) = 6.667% 4388 (1/15) = 6.667% 4660 (1/15) = 6.667% 4672 (1/15) = 6.667% 5061 (1/15) = 6.667% Tabel 2.4 Penentuan Large 1-Itemset L= 1; Minimum Support Threshold= 5% Biblio_ID Support (Jumlah Muncul / Total Transaksi) 41 (1/15) = 6.667% 255 (1/15) = 6.667% 265 (1/15) = 6.667% 276 (1/15) = 6.667% 589 (2/15) = % 1102 (1/15) = 6.667% 1882 (1/15) = 6.667% 2222 (1/15) = 6.667% 2290 (2/15) = % 2342 (1/15) = 6.667% 2435 (1/15) = 6.667% 4200 (1/15) = 6.667% 4295 (2/15) = % 4345 (1/15) = 6.667%

30 (1/15) = 6.667% 4660 (1/15) = 6.667% 4672 (1/15) = 6.667% 5061 (1/15) = 6.667% Tabel 2.5 Penentuan Kandidat 2-Itemset C= 2; Minimum Support Threshold= 5% Biblio_ID Support (Jumlah Muncul / Total Transaksi) 41, 255 (0/15) = 0% 41, 265 (0/15) = 0% 41, 276 (0/15) = 0% 41, 589 (0/15) = 0% 41, 1102 (0/15) = 0% 41, 1882 (0/15) = 0% 41, 2222 (0/15) = 0% 41, 2290 (0/15) = 0% 41, 2342 (0/15) = 0% 41, 2435 (0/15) = 0% 41, 4200 (0/15) = 0% 41, 4295 (0/15) = 0% 41, 4345 (1/15) = 6.667% 41, 4388 (0/15) = 0% 41, 4660 (0/15) = 0% 41, 4672 (0/15) = 0% 41, 5061 (0/15) = 0% 255, 265 (0/15) = 0% 255, 276 (0/15) = 0% 255, 589 (0/15) = 0% 255, 1102 (0/15) = 0% 255, 1882 (1/15) = 6.667% 255, 2222 (0/15) = 0% 255, 2290 (0/15) = 0% 255, 2342 (0/15) = 0% 255, 2435 (0/15) = 0% 255, 4200 (0/15) = 0% 255, 4295 (0/15) = 0% 255, 4345 (0/15) = 0% 255, 4388 (0/15) = 0% 255, 4660 (0/15) = 0%

31 255, 4672 (0/15) = 0% 255, 5061 (0/15) = 0% 265, 276 (0/15) = 0% 265, 589 (0/15) = 0% 265, 1102 (0/15) = 0% 265, 1882 (0/15) = 0% 265, 2222 (0/15) = 0% 265, 2290 (0/15) = 0% 265, 2342 (0/15) = 0% 265, 2435 (0/15) = 0% 265, 4200 (0/15) = 0% 265, 4295 (0/15) = 0% 265, 4345 (0/15) = 0% 265, 4388 (0/15) = 0% 265, 4660 (0/15) = 0% 265, 4672 (0/15) = 0% 265, 5061 (0/15) = 0% 276, 589 (0/15) = 0% 276, 1102 (0/15) = 0% 276, 1882 (0/15) = 0% 276, 2222 (0/15) = 0% 276, 2290 (0/15) = 0% 276, 2342 (1/15) = 6.667% 276, 2435 (0/15) = 0% 276, 4200 (0/15) = 0% 276, 4295 (0/15) = 0% 276, 4345 (0/15) = 0% 276, 4388 (0/15) = 0% 276, 4660 (0/15) = 0% 276, 4672 (0/15) = 0% 276, 5061 (0/15) = 0% 589, 1102 (0/15) = 0% 589, 1882 (0/15) = 0% 589, 2222 (0/15) = 0% 589, 2290 (1/15) = 6.667% 589, 2342 (0/15) = 0% 589, 2435 (0/15) = 0% 589, 4200 (0/15) = 0% 589, 4295 (0/15) = 0% 19

32 589, 4345 (0/15) = 0% 589, 4388 (0/15) = 0% 589, 4660 (0/15) = 0% 589, 4672 (0/15) = 0% 589, 5061 (0/15) = 0% 1102, 1882 (0/15) = 0% 1102, 2222 (0/15) = 0% 1102, 2290 (0/15) = 0% 1102, 2342 (0/15) = 0% 1102, 2435 (1/15) = 6.667% 1102, 4200 (0/15) = 0% 1102, 4295 (0/15) = 0% 1102, 4345 (0/15) = 0% 1102, 4388 (0/15) = 0% 1102, 4660 (0/15) = 0% 1102, 4672 (0/15) = 0% 1102, 5061 (0/15) = 0% 1882, 2222 (0/15) = 0% 1882, 2290 (0/15) = 0% 1882, 2342 (0/15) = 0% 1882, 2435 (0/15) = 0% 1882, 4200 (0/15) = 0% 1882, 4295 (0/15) = 0% 1882, 4345 (0/15) = 0% 1882, 4388 (0/15) = 0% 1882, 4660 (0/15) = 0% 1882, 4672 (0/15) = 0% 1882, 5061 (0/15) = 0% 2222, 2290 (0/15) = 0% 2222, 2342 (0/15) = 0% 2222, 2435 (0/15) = 0% 2222, 4200 (0/15) = 0% 2222, 4295 (0/15) = 0% 2222, 4345 (0/15) = 0% 2222, 4388 (0/15) = 0% 2222, 4660 (0/15) = 0% 2222, 4672 (1/15) = 6.667% 2222, 5061 (0/15) = 0% 2290, 2342 (0/15) = 0% 20

33 2290, 2435 (0/15) = 0% 2290, 4200 (0/15) = 0% 2290, 4295 (0/15) = 0% 2290, 4345 (0/15) = 0% 2290, 4388 (0/15) = 0% 2290, 4660 (0/15) = 0% 2290, 4672 (0/15) = 0% 2290, 5061 (0/15) = 0% 2342, 2435 (0/15) = 0% 2342, 4200 (0/15) = 0% 2342, 4295 (0/15) = 0% 2342, 4345 (0/15) = 0% 2342, 4388 (0/15) = 0% 2342, 4660 (0/15) = 0% 2342, 4672 (0/15) = 0% 2342, 5061 (0/15) = 0% 2435, 4200 (0/15) = 0% 2435, 4295 (0/15) = 0% 2435, 4345 (0/15) = 0% 2435, 4388 (0/15) = 0% 2435, 4660 (0/15) = 0% 2435, 4672 (0/15) = 0% 2435, 5061 (0/15) = 0% 4200, 4295 (0/15) = 0% 4200, 4345 (0/15) = 0% 4200, 4388 (0/15) = 0% 4200, 4660 (0/15) = 0% 4200, 4672 (0/15) = 0% 4200, 5061 (0/15) = 0% 4295, 4345 (0/15) = 0% 4295, 4388 (0/15) = 0% 4295, 4660 (0/15) = 0% 4295, 4672 (0/15) = 0% 4295, 5061 (0/15) = 0% 4345, 4388 (0/15) = 0% 4345, 4660 (0/15) = 0% 4345, 4672 (0/15) = 0% 4345, 5061 (0/15) = 0% 4388, 4660 (0/15) = 0% 21

34 , 4672 (0/15) = 0% 4388, 5061 (0/15) = 0% 4660, 4672 (0/15) = 0% 4660, 5061 (0/15) = 0% 4672, 5061 (0/15) = 0% Tabel 2.6 Penentuan Large 2-Itemset L= 2; Minimum Support Threshold= 5% Biblio_ID Support (Jumlah Muncul / Total Transaksi) 41, /15 (6,667%) 255, /15 (6,667%) 276, /15 (6,667%) 589, /15 (6,667%) 1102, /15 (6,667%) 2222, /15 (6,667%) b. Pembentukan Aturan Asosiasi judul buku ditentukan dari pola large itemset yang terbentuk. Aturan asosiasi yang terbentuk akan dipangkas (pruning) jika tidak memenuhi batas threshold minimum confidence yang ditentukan. Tabel 2.7 Pembentukan Rules Dari Itemset Rules

35 23 Fase Evaluasi (Evaluation Phase) Evaluasi dilakukan dengan mengukur confidence rules yang terbentuk sehingga siap digunakan untuk fase penyebaran. Hanya rules yang memenuhi batas minimum confidence yang ditampilkan. Tabel 2.8 Pembentukan Aturan Asosiasi Rules; Minimum Confidence Threshold= 50% Rules Confidence /1 = 100% /1 = 100% /1 = 100% /2 = 50% /1 = 100% /1 = 100% /1 = 100% /1 = 100% /1 = 100% /2 = 50% /1 = 100% /1 = 100% Algoritma FP-Growth Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori. Sehingga kekurangan dari algoritma Apriori diperbaiki oleh algoritma FP-Growth[4]. Frequent Pattern Growth (FP-Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data[12].

36 24 Pada algoritma Apriori diperlukan generate candidate untuk mendapatkan frequent itemsets. Akan tetapi, di algoritma FP- Growth generate candidate tidak dilakukan karena FP-Growth menggunakan konsep pembangunan tree dalam pencarian frequent itemsets. Hal tersebutlah yang menyebabkan algoritma FP-Growth lebih cepat dari algoritma Apriori. Karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree yang disebut dengan FP-Tree. Dengan menggunakan FP-Tree, algoritma FP-Growth dapat langsung mengekstrak frequent itemset dari FP-Tree. Penggalian itemset yang frequent dengan menggunakan algoritma FP-Growth akan dilakukan dengan cara membangkitkan struktur data tree atau disebut dengan FP-Tree. Metode FP-Growth dapat dibagi menjadi 3 tahapan utama yaitu sebagai berikut [8]: 1. Tahap Pembangkitan conditional pattern base, 2. Tahap pebangkitan conditional FP-Tree, dan 3. Tahap pencarian frequent itemset Analisa Pola Algoritma FP-Growth Pada penenentuan frequent itemset terdapat 2 tahap proses yang dilakukan yaitu: pembuatan FP-Tree dan penerapan algoritma FP-Growth untuk menemukan frequent itemset. Struktur data yang digunakan untuk mencari frequent itemset dengan algoritma FP- Growth adalah perluasan dari penggunaan sebuah pohon prefix, yang biasa disebut adalah FP-Tree. Dengan menggunakan FP-Tree, algoritma FP-Growth dapat langsung mengekstrak frequent itemset dari FP-Tree yang telah terbentuk dengan menggunakan prinsip divide and conquer[3].

37 Contoh Kasus Algoritma FP-Growth Misalkan pada sebuah data e-commers atau penjualan terdapat tabel transaksi yang telah di urut tabel berikut mendata kemunculan item yang frekuen, diurut berdasarkan yang frekuensi nya paling tinggi. dengan terlebih dahulu menentukan minimum support = 2 Tabel 2.9 Data Transaksi e-commers TID Item T1 {a,b} T2 {b,c,d} T3 {a,c,d,e} T4 {a,d,e} T5 {a,b,c} T6 {a,b,c,d} T7 {a} T8 {a,b,c} T9 {a,b,d} T10 {a,c,e}

38 26 Kemudian membentuk pola FP-Tree, Pembentukan pola Fp-Tree dilakukan setelah pembacaan TID. Nuul a:8 b:2 b:5 c:2 c:1 c:3 d:1 d:1 d:1 d:1 e:1 d:1 e:1 Gambar 2.2 FP-tree e:1 Setelah tahap pembangunan FP-tree dari sekumpulan data transaksi, akan diterapkan algoritma FP-growth untuk mencari frequent itemset yang signifikan. Algoritma FP-growth menemukan freqent itemset yang berakhiran suffix tertentu dengan menggunakan metode divide and conquer untuk memecah problem menjadi subproblem yang lebih kecil. - Contohnya, jika kita ingin menemukan semua frequent itemset yang berakhiran e. Oleh karena itu, maka kita harus mengecek apakah support count dari e memenuhi minimum support count = 2. Karena support count dari e adalah 3 dan 3 2 maka e adalah item yang frequent. - Setelah mengetahui bahwa item e adalah item yang frequent, maka subproblem selanjutnya adalah menemukan frequent itemset dengan akhiran de, ce, be, dan ae. Dengan

39 27 menggabungkan seluruh solusi dari subproblem yang ada, maka himpunan semua frequent itemset yang berakhiran item e akan - didapatkan. - Setelah memeriksa frequent itemset untuk beberapa akhiran (suffix), maka didapat hasil yang dirangkum dalam tabel dibawah ini : Tabel 2.10 Hasil frequent itemset Suffix E D C B A Frequent Itemset {e},{d,e},{a,d,e},{c,e},{a,e} {d},{c,d},{b,c,d},{a,c,d},{b,d},{a,b,d},{a,d} {d},{b,c},{a,b,c},{a,c} {b},{a,b} {a} Dengan metode divide and conquer ini, maka pada setiap langkah rekursif, algoritma FP-growth akan membangun sebuah conditional FP-tree baru yang telah diperbaharui nilai support count, dan membuang lintasan yang mengandung item-item yang tidak frequent lagi[12] Java Pengertian Java Java [14] adalah bahasa pemrograman yang dikembangkan James Gosling pada tahun 1991 dengan paradigma Pemrograman Berorientasi Objek (OOP) dibawah bendera Sun Microsystems. Program yang ditulis menggunakan Java berjalan pada suatu Virtual Machine dengan nama Java Runtime Environment (JRE). Berikut adalah tahapan pengembangan dan eksekusi program Java.

40 28 Gambar 2.3 Alur Pembuatan dan Eksekusi Program Pada Java, terdapat lima fase pada pembuatan dan eksekusi program. Fase pertama yaitu editing kode sumber (source code) Java menjadi file *.java pada penyimpanan sekunder. Fase kedua yaitu kompilasi source code *.java menjadi file dengan ekstensi *.class, dilakukan class loading pada fase ketiga kedalam memori primer (RAM) untuk dilakukan cek error sebelum dieksekusi. Setelah file *.class diload pada RAM, dilakukan bytecode verification pada fase empat. Setelah bytecode diverifikasi kemudian dieksekusi pada Java Virtual Machine (JVM) agar dapat digunakan oleh user.

41 Konsep Java Salah satu keunggulan Java adalah sifatnya yang Platform Independence, artinya Java (baik source program maupun hasil kompilasinya) sama sekali tidak bergantung pada sistem operasi dan platform yang digunakan. Setiap program yang ditulis dengan bahasa Java, hasil kompilasinya berupa bytecode, yaitu sekumpulan instruksi seperti kode mesin tetapi tidak spesifik untuk satu jenis prosesor tertentu. Java terdiri atas dua bagian, yaitu Java compiler dan Java interpreter. Java compiler menterjemahkan source program ke dalam bytecode. Hasil kompilasi, yaitu program Java, bisa dijalankan dengan bantuan Java interpreter. Java interpreter dapat dijalankan secara langsung, baik dari command prompt maupun program applet viewer atau web browser. Penggunaan java sendiri telah semakin meluas dari aplikasi berbasis web sampai dengan peralatan-peralatan yang bersifat bergerak (mobile), seperti telepon genggam, PDA phone dan sebagainya[15]. Gambar 2.4 Fase Pemrograman Java

42 SQLite Michael Owens dalam bukunya [17] menyebutkan bahwa SQLite adalah embedded database yang berada di dalam aplikasi. Sehingga tidak dapat dilihat oleh Relational Database Management System (RDBMS). SQLite memiliki fitur dan filosofi: 1. Zero Configuration SQLite tidak memerlukan instalasi pada sistem, sehingga SQLite dapat bertindak sebagai library. 2. Portability Karena SQLite tidak memerlukan instalasi pada sistem, SQLite portabel dan dapat di embed pada berbagai sistem operasi baik PC dan perangkat mobile. 3. Compactness SQLite didesain untuk kemudahan dan keringanan sehingga hanya cukup memuat satu file header, dan satu file library. 4. Simplicity SQLite didesain sebagai library sehingga, SQLite mengandung banyak Application Programming Interface (API) yang siap digunakan pemrogram untuk membangun software. 5. Flexibility SQLite bertindak sebagai library, embedded database, API ready sehingga fleksibel. Fleksibel berarti tidak memerlukan pengaturan yang rumit, tidak memerlukan koneksi server, berlisensi bebas pakai General Public License (GPL). 6. Liberal Licensing SQLite memiliki lisensi yang bebas pakai (GPL) sehingga tidak diperlukan biaya untuk menggunakan SQLite. 7. Reliability SQLite ditulis dalam bahasa ANSI-C dengan fitur sepadan dengan software berbayar sehingga memiliki tingkat kegunaan yang maksimal.

43 31 8. Convenience SQLite mendukung fungsi multiple database yang dapat digunakan bersamaan pada satu sesi Netbeans Integrated Development Environment (IDE) Netbeans Integrated Development Environment (IDE) adalah software development editor pplatform yang memiliki konsep Rich Client Platform (RCP) sehingga memiliki fungsi legkap yang dapat digunakan pemrogram untuk mengebangkan software dengan mudah[16]. Beberapa karakteristik dari Netbeans IDE : 1. User Interface Framework 2. Data Editor 3. Customization Display 4. Wizard Framework 5. Data Systems 6. Internationalization 7. Help Systems

44 32 Fitur yang ditawarkan oleh Netbeans dapat dikustomisasi oleh pemrogram dengan mudah dan cepat dalam membangun software. Gambar 2.5 Tampilan Awal Netbeans IDE Sequential Pattern Mining Framework (SPMF) Sequensial Pattern Mining Framework (SPMF) adalah fungsi pustaka (library) yang ditulis pada bahasa pemrograman Java untuk menangani tugas data mining dengan lisensi open-source GPL v3. SPMF memiliki 52 koleksi algoritma yang dapat digunakan untuk: Sequential Pattern Mining. Association Rule Mining. Frequent Itemset Mining. Sequential Rule Mining. Clustering. Source code untuk tiap algoritma yang tersedia pada fungsi pustaka dapat diintegrasikan pada program Java yang dibuat oleh pengembang software [18].

45 Kerangka Pemikiran Masalah Tidak adanya sistem yang mempermudah mahasiswa maupun dosen pada saat melakukan transaksi peminjaman buku mata kuliah. Tujuan Membuat sistem rekomendasi buku mata kuliah diperpustakaan bagi mahasiswa maupun dosen universitas dian nuswantoro. Eksperimen Tools Java Metode Apriori dan Frequent Pattern Growth (FP- Growth). Manfaat Data Data diambil dari data transaksi peminjaman buku. Hasil Terdapat frequent itemset pada buku mata kuliah yang sering dipinjam sebelumnya. Dapat membantu mahasiswa maupun dosen universitas dian nuswantoro saat melakukan transaksi peminjaman buku.

46 BAB III METODE PENELITIAN 3.1 Jenis Penelitian Jenis penelitian yang dilakukan adalah penelitian pengembangan sistem, yaitu menambahkan modul analisis data mining pada sistem informasi perpustakaan Universitas Dian Nuswantoro Semarang. 3.2 Metode Yang Diusulkan Metode yang diusulkan pada penelitian ini yaitu menerapkan metode Apriori dan Frequent Pattern Growth (FP-Growth) untuk menemukan frequent itemsets pada data transaksi perpustakaan Universitas Dia Nuswantoro. 3.3 Metode Pengumpulan Data Studi yang digunakan dalam mendapatkan dataset transaksi peminjaman buku pada perpustakaan Universitas Dian Nuswantoro yaitu studi kepustakaan. Pada data tersebut terdapat variabel kategori buku yaitu variabel yang akan dijadikan sebagai penentu hasil buku yang sering di pinjam dalam transaksi tersebut. Tabel 3.1 Dataset mentah dari transaksi peminjaman buku 34

47 35 Tabel biblio, tabel item, dan loan dipilih karena penelitian ini fokus pada pengolahan kembali data transaksi berdasarkan kode buku yang pernah dipinjam oleh pengguna perpustakaan sebelumnya untuk mendapatkan frequent itemset. 3.4 Eksperimen - Pengolahan Data a. Data diambil dari database transaksi peminjaman buku perpustakaan Universitas Dian Nuswantoro Semarang dan disimpan dalam file.sql. Sehingga file tersebut dapat dieksekusi pada database lokal untuk penelitian. b. Data yang telah diekstrak dibersihkan dengan cara menghapus atributatribut yang tidak diperlukan pada penelitian yang dilakukan. Data yang telah dibersihkab diekspor dalam file berekstensi.xlsx atau.xls.

48 36 Tabel 3.2 Dataset yang telah dibersihkan Tabel di atas menjelaskan penghapusan atribut yang tidak diperlukan sebelum dilakukan transformasi data agar dapat diolah oleh program. Atribut sementara yang digunakan untuk mentransformasi data adalah kode transaksi (loan_id), kode judul buku (biblio_id), kode peminjaman (member_id), dan tanggal pinjam (loan_date). c. Setelah data dibersihkan dari atribut yang tidak diperlukan, data transaksi dibuat dalam bentuk urut berdasarkan kode transaksi peminjaman buku (loan_id). Data yang telah dinormaslisasi disimpan dalam file.xlsx atau.xls

49 37 Tabel 3.3 Dataset setelah di normalisasi Tabel diatas menjelaskan mengenai data yang telah di normalisasi. Data berbentuk kode judul buku (biblio_id) yang disimpan dalam file.xls sebelum diekspor pada file.txt atau teks menggunakan pemisah spasi untuk setiap kode judul buku pada transaksi peminjaman buku perpustakaan Universitas Dian Nuswantoro Semarang.

50 38 Gambar 3.1 Dataset yang telah dubersihkan dan dapat digunakan pada pemodelan Gambar di atas menjelaskan dataset berupa nomer kode judul buku yang siap digunakan pada fase pemodelan.

51 BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pembahasan Analisis proses mining ini menggunakan data transaksi peminjaman buku pada perpustakaan Universitas Dian Nuswantoro yang sebelumnya telah diolah. Dataset tersebut memiliki transaksi sebanyak 827 transaksi peminjaman. Untuk penelitian ini menggunkan minimum support sebesar 3% dan nilai minimum confidence sebesar 50%. 4.2 Evaluasi dan Hasil Eksperimen menggunakan Dataset Perpustakaan dengan Apriori dan FP-Growth Hasil dari penelitian menggunakan data transaksi peminjaman buku perpustakaan Universitas Dian Nuswantoro dengan Algoritma Apriori dan FP-Growth menghasilkan statistik yang jelas pada gambar dibawah ini : Gambar 4.1 Halaman login utama 39

52 40 1. Apriori Gambar 4.2 Halaman Setelah Login

53 Gambar 4.3 Halaman Memilih Algoritma 41

54 Gambar 4.4 Halaman Setelah Memilih Algoritma Apriori 42

55 Gambar 4.5 Halaman Input Dataset Yang Akan Diuji 43

56 44 Gambar 4.6 Halaman Setelah Menginputkan Dataset dan Akan Memilih Lokasi Penyimpanan Hasil Output

57 Gambar 4.7 Halaman Memilih Lokasi Penyimpanan Hasil Output File 45

58 46 Gambar 4.8 Halaman Menginputkan Nilai Min Supp dan Min Conf. Gambar di atas menjelaskan halaman login, dengan memilih algoritma Apriori dan dengan menggunakan minimum support sebesar 0,4% dan minimum confidence sebesar 0,5%.

59 47 Gambar 4.9 Aturan Asosiasi yang terbentuk dari proses mining Apriori Tabel 4.1 Keterangan hasil proses mining Apriori Jumlah kandidat itemset yang terbentuk 2071 Kandidat Jumlah kedalaman kandidat itemset 3 Jumlah Frequent Itemset terbentuk 75 Frequent Waktu eksekusi algoritma ~ 200 ms Jumlah aturan asosoiasi yang terbentuk 4 Aturan Maksimal memori yang terpakai 2.5 MB

60 48 Tabel di atas menjelaskan mengenai statistik hasil mining dengan algoritma Apriori di mana pada saat eksekusi berlangsung terdapat : Jumlah kandidat itemset yang terbentuk yaitu 2071 Kandidat, Algoritma berhenti pada kandidat ke 3, Frequent itemset yang terbentuk yaitu 75 Frequent, Lama eksekusi algoritma yaitu 200 ms, dan maksimal memori yang terpakai untuk pengeksekusian adalah 2.5 Mb. Aturan Asosiasi yang terbentuk akan di jelasakan di bawah ini : Gambar 4.10 Aturan Asosiasi yang terbentuk Apriori. Gambar di atas merupakan hasil Association rule yang terbentuk menggunakan menggunakan algoritma Apriori. Terdapat 4 kandidat terbesar (paling sering muncul bersamaan).

61 49 Tabel 4.2 Aturan Asosiasi yang terbentuk dari proses mining Apriori Kode Judul Buku Nilai Support Nilai Confidence Jika meminjam buku Teori dan Soal-soal Operations Research maka juga meminjam buku Dasar Teori Antrian Untuk Kehidupan Nyata Jika meminjam buku Dasar Teori Antrian Untuk Kehidupan Nyata maka juga meminjam buku Teori dan Soal-soal Operations Research Jika meminjam buku Accounting Theory : Teori Akuntansi Buku Satu maka juga meminjam buku Management Control System (Sistem Pengendalian Manajemen) Buku Edisi Jika meminjam buku Management Control System (Sistem Pengendalian Manajemen) Buku Edisi 11 maka juga meminjam buku Accounting Theory : Teori Akuntansi Buku Satu 4/827 (0,4836%) 4/827 (0,436%) 4/827 (0,4836%) 3/827 (0,3627%) 1 (100%) 1 (100%) 0,28571 (28,571%) 0,57143 (57,143%)

62 50 2. FP-Growth Gambar 4.11 Halaman Memilih Algoritma

63 Gambar 4.12 Halaman Setelah Memilih Algoritma FP-Growth 51

64 52 Gambar 4.13 Halaman Menginputkan Nilai Min Supp dan Min Conf.. Gambar di atas menjelaskan halaman login, dengan memilih algoritma FP-Growth dan dengan menggunakan minimum support sebesar 0,4% dan minimum confidence sebesar 0,5%.

65 53 Gambar 4.14 Aturan Asosiasi yang terbentuk dari proses mining FP-Growth. Tabel 4.3 Keterangan hasil proses mining FP-Growth Transaksi count dari database Waktu eksekusi algoritma Frequent Itemsets yang tebentuk 827 Data ~ 36 ms 75 Frequent Tabel di atas menjelaskan mengenai statistik hasil mining dengan algoritma Apriori di mana pada saat eksekusi berlangsung terdapat : Jumlah data transaksi database 827 data, Waktu eksekusi algoritma 36 ms, dan Frequent Itemsets yang terbentuk yaitu 75 Frequent. Aturan Asosiasi yang terbentuk akan di jelasakan di bawah ini :

66 54 Gambar 4.15 Aturan Asosiasi yang terbentuk Fp-Growth. Gambar di atas merupakan hasil Association rule yang terbentuk menggunakan menggunakan algoritma FP-Growth. Terdapat 4 kandidat terbesar (paling sering muncul bersamaan).

67 55 Tabel 4.4 Aturan Asosiasi yang terbentuk dari proses mining FP-Growth. Kode Judul Buku Nilai Support Nilai Confidence Jika meminjam buku Teori dan Soal-soal Operations Research maka juga meminjam buku Dasar Teori Antrian Untuk Kehidupan Nyata Jika meminjam buku Dasar Teori Antrian Untuk Kehidupan Nyata maka juga meminjam buku Teori dan Soal-soal Operations Research Jika meminjam buku Mnagement Control System (Sistem Pengendalian Manajemen) Buku Edisi 11 maka juga meminjam buku Accounting Theory : Teori Akuntansi Buku Satu Jika meminjam buku Pengantar Kesehatan Lingkungan maka juga meminjam buku Kesehatan Lingkungan 4/827 (0,4836%) 4/827 (0,436%) 4/827 (0,4836%) 3/827 (0,3627%) 1 (100%) 1 (100%) 0,28571 (28,571%) 0,57143 (57,143%)

68 56 Gambar 4.16 Halaman Pencarian Data Buku. Gambar di atas menjelaskan tentang halaman pencarian data buku, dimana cara mencari buku bisa menggunakan kode judul, judul buku, penulis, ISBN-ISSN, dan Tahun Terbit.

69 57 Hasil dari pencarian akan tampil seperti gambar di bawah ini: Gambar 4.17 Hasil pencarian data buku dengan kriteria tertentu.